Dit artikel presenteert een model-agnostische methode voor het produceren van vastgoedprijsindexcijfers. De motivatie hiervoor is om niet-lineaire en niet-parametrische modellen, zoals Machine Learning (ML), op te nemen in de verzameling van algoritmen om prijsindexcijfers te berekenen.
De belangrijkste innovatie is het gebruik van individuele out-of-time voorspellingsfouten om prijsveranderingen te meten. De in deze studie gebruikte gegevens bestaan uit 29.998 commerciële vastgoedtransacties in New York, in de periode 2000-2019. De resultaten geven aan dat de voorspellingsnauwkeurigheid hoger is voor de ML-modellen in vergelijking met lineaire modellen. Aan de andere kant zijn ML-algoritmen meer afhankelijk van de gegevens die worden gebruikt voor de kalibratie; ze produceren minder stabiele resultaten wanneer ze worden toegepast op kleine steekproeven en kunnen bias vertonen. Daarom moeten maatregelen worden genomen om de bias te verminderen, rekening houdend met de bias- en variantie trade-off.
Download whitepaper (in het Engels)
Auteurs:
- Felipe D. Calainho, PhD kandidaat, University of Amsterdam Business School
- Alex M. van de Minne, Research Scientist MIT Center for Real Estate
- Marc K. Francke, University of Amsterdam - Faculty of Economics and Business and Ortec Finance
Vragen?
Neem gerust contact met Marc Francke op als je vragen hebt over de paper.Contact
Marc Francke
Head of Real Estate ResearchGerelateerde insights
-
01 februari 2023Actualisatie handboek modelmatig waarderen marktwaarde 2022In dit artikel over de tweede publicatie van het handboek modelmatig waarderen marktwaarde 2022 op 31 januari 2023 lees je over de belangrijkste wijzigingen.
-
31 januari 2023Focus leidt tot professionalisering waarderingsprocesDoor tijdsdruk en randzaken en hebben corporatiemedewerkers weinig tijd over om de waardering echt te analyseren en te doorgronden, en zo hun meerwaarde toe te voegen aan dit proces. Dat zeggen analist Wessel Kosterman en consultant Dirk Jan Remmerswaal van Ortec Finance. In gesprek met CorporatieGids.nl leggen ze uit hoe je de focus verlegt, zoveel mogelijk de inhoud in kunt gaan en het proces verder professionaliseert.
-
31 januari 2023Economische verwachtingen Ortec Finance 1e kwartaal 2023Ieder kwartaal brengen wij een Ortec Finance Scenarioset (OFS) met macro-economische parameters uit voor de woningcorporaties.
-
20 januari 2023Een flexibele schil, vol met nieuwe inzichten en energieIn dit interview deelt Ruud van der Boom – Directeur-Bestuurder bij Woonkwartier – zijn ervaringen met Interim-Manager Wouter Stikkelman.
-
17 januari 2023Welke economisch parameters gebruiken corporaties in de dPi 2022?Geven de turbulente economische macro-economische omstandigheden aanleiding om af te wijken van de leidraad van de Autoriteit Woningcorporaties?
-
09 januari 2023Waarde-effecten maatregelen huursectorHet is voor veel mensen moeilijk om een passende huurwoning te vinden. De minister voor VRO heeft daarom een aantal maatregelen genomen en aangekondigd. Vastgoed Belang heeft Ortec Finance gevraagd te onderzoeken wat het waarde- en kasstroomeffect is van genomen en voorgestelde maatregelen. Lees hier het volledige onderzoek.
-
09 januari 2023Interview Marc Francke over onderzoek waarde-effecten maatregelen huursectorVastgoed Belang vroeg prof. dr. Marc Francke in zijn rol als ‘Head real estate research’ van Ortec Finance om de voorgenomen en recent al door de overheid genomen maatregelen te onderzoeken. In dit interview lees je zijn inzichten en bevindingen.
-
03 januari 2023Wat is de OFS en hoe komt deze tot stand?De Ortec Finance Scenarioset wordt gegenereerd door een econometrisch model, de Economic Scenario Generator. In dit artikel lichten we toe hoe dit model werkt, welke aannames eraan ten grondslag liggen en hoe we waarborgen dat het model goed presteert.
-
23 december 2022Verdiepingsopleiding SAM: Inzicht in de calculatiesetTijdens deze opleiding vertellen we meer over de calculatieset en welke instellingen in SAM een relatie hebben met de calculatieset.